Couche de convolution si plusieur Kernel qui fotn chacun leur operation.

Normalisation et Reshape :

1d vers 2d

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(4, 3)
print(newarr)

1d vers 3d

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(2, 3, 2)

Vers 1d :

arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)

Etiquetage des donnes:

Dans un hidden layer tout les poids et biais sont identiques

Pooling = reduction de limage, concentre information et limite le nombre de donnees

Feature

Extration d'info par puritifaction grâce a une convolution.(ex : extraite les bords ou exagerer une texture, un trait)

Feature map: resultat de lextraction

Activation map : feature map qui sert comme input du prochain layer

Kernel

Matrice qui sert a faire un convolution.

Convolution

Relu

Rectified linear unit = normalisation des chaleurs apres

Pooling

Reduit la taille des images apres convolution tout en conservant les features importantes (pooling max.moyenne,stochastique)

Fc = Fully connected

Couche conteant un reseau neuronale regulier

Perceptron = un neurone

Phase entraiment et execution, pas dentrainement continue.

Neurone = diviseur despace

Algo qui implemente un resuea neuronal de classification lineraire

createVector(random(2), random(2))
p5.Vector.random2D();

strokeWeight(6);
stroke(255);
point(this.position.x, this.position.y);

-Des etats

-Des transitions

-Des evenements (input)

Permet d'etre plus securiser en ce preparant au different cas possible

Exemple : Atm